结果虽 然区域边缘划分相对平滑，但杂散点较多，丢失了图像的细节信息；图5所示的基于Cloude 分解和Freeman分解提取特征，再利用SVM分类的方法能够有效的正确分类，但是杂散点较 多，而且有严重的错分现象。
[0144] 综上所述，本发明提出的基于CNN和SVM的极化SAR图像分类方法能够明显地提 高极化SAR图像分类精度，不仅有效的去除了噪声影响，保持了区域一致性与连贯性，而且 可用于对各种极化SAR图像分类。
[0145] 本发明公开的基于CNN和SVM的极化SAR图像分类方法，主要解决现有极化SAR 图像分类方法分类精度不高的问题。其实现步骤为：输入滤波后的待分类的极化SAR图像； 基于极化相干矩阵并考虑邻域，提取每个像素点的原始特征并归一化；训练AE网络，并利 用softmax微调，得到CNN卷积层参数；将CNN池化层设置为平均池化，确定CNN池化层参 数；利用CNN学习的特征送入SVM进行分类，得到极化SAR图像的分类结果。本发明与现有 的一些方法相比，不仅充分考虑到图像的空间相关性，而且基于CNN提出了一种新的邻域 处理方法，能够提取出更有利于极化SAR图像分类的特征，显著地提高了分类精度，可用于 对极化SAR图像的地物分类和目标识别。
【主权项】
1. 一种基于CNN和SVM的极化SAR图像分类方法，其特征在于，包括有如下步骤： 步骤1，输入滤波后的待分类的极化SAR图像，得到极化相干矩阵T ; 步骤2,基于极化SAR图像的极化相干矩阵T，得到图像每个像素点的原始特征，并归一 化到[0. 1，0. 9]; 步骤3,在待分类的极化SAR图像中随机选取10%的像素点，作为训练样本； 步骤4,利用训练样本来训练AE网络，得到AE网络参数； 步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练，直至满足终止条件， 满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络卷积层参数Θ = (W，b)， 其中，W是CNN卷积层的卷积核，b为CNN卷积层的偏置；终止条件为AE网络的目标函数值 相邻两次的变化小于10 9; 步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像 素点，微调初始的CNN卷积层参数，将微调后得到的参数作为训练好的CNN卷积层参数； 步骤7, CNN结构包含一层卷积层和一层池化层：将CNN池化层的池化方式设置为平均 池化； 步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准，按照不超过 10 %的采样率，随机选择每类的像素点，作为训练样本集合； 步骤9,将训练样本集合的原始特征送入训练好的CNN结构，得到相应的CNN特征； 步骤10,利用训练样本集合的CNN特征以及训练样本标签去训练支持向量机分类器， 然后利用训练好的SVM分类器对极化SAR图像剩余的像素点逐个进行分类； 步骤11，输出分类后的极化SAR图像，并计算分类精度。2. 根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法，其特征在于，其中 步骤2所述的得到图像每个像素点的原始特征，是按照如下步骤进行： 2a)提取维数为3X3的极化相干矩阵T的对角线元素，以及上三角位置中除去对角线 元素的3个元素的实部和虚部，每个像素点共9维特征，以3X3矩阵形式表示为其中，T11, T22, T33为极化相干矩阵 T 的对角线元素 ，real (T 12)，real (T13), real (T23), im ag(T12)，imag(T13)，imag(T23)分别为极化相干矩阵T的上三角位置的3个元素的实部和虚 部； 2b)对上述矩阵中每一个元素，进行NXN邻域的扩充，得到（3N)2维特征，以3NX3N 矩阵形式表示，在最后一列和最后一行利用镜像对称进行填充，每个像素点的原始特征以 (3N+1) X (3N+1)矩阵形式表示。3. 根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法，其特征在于，其中 步骤5所述的重复地训练AE网络得到初始的CNN卷积层参数，是按照如下步骤进行： 5a)在每个训练样本中随机选取NXN大小图像块； 5b)利用5a)选取的图像块训练AE网络，AE网络共有3层：输入层、隐藏层、输出层，利 用输出层逼近输入层，得到输入层特征的另一种表示，即隐藏层特征；设置CNN卷积层的卷 积核数目为M，与AE网络隐藏层神经单元数目一致，卷积核大小为NXN，与选取的图像块一 致，将训练得到的AE网络的输入层与隐藏层之间的参数作为CNN卷积层的参数。4. 根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法，其特征在于，其中 步骤6所述的利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的 像素点，微调初始的CNN卷积层参数，是按照如下步骤进行： 6a)利用极化SAR图像的地物分布参考图中已标注的像素点，送入初始的CNN卷积层参 数对应的AE网络，得到AE隐藏层特征； 6b)将6a)得到的AE隐藏层特征送入softmax分类器，根据分类结果与参考图标注之 间的差异，利用反向传播算法微调AE网络的参数，使得AE网络的参数进一步优化，从而得 到更优的CNN卷积层的参数。5. 根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法，其特征在于，其中 步骤9所述的将训练样本集合的原始特征送入训练好的CNN结构，得到相应的CNN特征，是 按照如下步骤进行： 9a)将训练样本集合的原始特征送入CNN卷积层： Xj= g(X*ff ^aj), j = I, 2,..., M 其中，X为训练样本集合的原始特征，W,，a]分别为CNN第j个卷积核的参数和偏置，M 为卷积核数目，*为卷积操作，g(x) = lAl+ex)为激活函数，X,为经过CNN卷积层后得到 的第j个卷积图； 9b)然后将卷积图送入CNN池化层： 对每个卷积图，以2X2大小的局部区域进行不重叠平均池化操作；经过CNN卷积层和 池化层，对训练样本的原始特征进行了重新学习，得到了 CNN特征。6. 根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法，其特征在于，其中 步骤10所述的利用训练样本集合的CNN特征以及训练样本标签去训练SVM分类器，具体训 练过程如下： 10a) SVM分类器根据间隔最大化准则构造最优分类超平面进行分类，其中最优分类超 平面表示为： f (x) = wTx+h = 0 其中，W为超平面的法向量，X为CNN特征，h为超平面的截距，T表示转置； 通过求解对偶优化问题，确定参数w，h，针对输入空间线性可分情况，对偶优化问题表 示如下：其中，W(a )是优化目标函数，a Lagrange乘子，X D 别为第i, j个训练样本的 CNN特征，yi, yj为相应的训练样本标签，m为训练样本数目，〈·，·>表示欧式内积；在约束 条件下使得优化目标函数最大确定α 1<3 求解出Lagrange乘子α，根据长解出分类超平面的法向量w，最后在α 和w都求解出的情况下，通过求解出超平面的截距h，其中T表示转 置； 最优分类超平面表示为IOb)在上式欧式内积<Xl，x>的基础上，引入核函数将输入的线性不可分空间转化到 高维空间，在高维空间中线性可分，采用的核函数为径向基核函数；对于多类的SVM分类问 题，在二类问题的基础上进行推广，采用的推广算法为一对一算法。
【专利摘要】本发明公开了一种基于CNN和SVM的极化SAR图像分类方法，主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为：输入滤波后的待分类的极化SAR图像；基于极化相干矩阵并考虑邻域，提取每个像素点的原始特征并归一化；训练AE网络，并利用softmax微调，得到CNN卷积层参数；将CNN池化层设置为平均池化，确定CNN池化层参数；利用CNN学习的特征送入SVM进行分类，得到极化SAR图像的分类结果。与现有的一些方法相比，本发明不仅充分考虑到图像的空间相关性，而且基于CNN提出了一种新的邻域处理方法，能够提取出更有利于极化SAR图像分类的特征，显著地提高了分类精度，可用于对极化SAR图像的地物分类和目标识别。
【IPC分类】G06K9/62, G06K9/66
【公开号】CN105184309
【申请号】CN201510493503
【发明人】焦李成, 刘芳, 普亚如, 杨淑媛, 侯彪, 马文萍, 王爽, 刘红英, 熊涛
【申请人】西安电子科技大学
【公开日】2015年12月23日
【申请日】2015年8月12日